La inteligencia artificial no roba, incomoda

En los últimos años, la inteligencia artificial se ha convertido en un eje de fricción entre dos mundos que rara vez dialogan con calma: el arte y la ciencia. Allí donde informáticos, arquitectos, ingenieros, físicos, matemáticos, químicos o médicos la reciben como un instrumento imprescindible para ampliar su capacidad de análisis y tomar decisiones con mayor precisión, muchos artistas la perciben como un competidor desleal, un imitador entrenado con sus obras y, en última instancia, como un ladrón silencioso que se apropia sin permiso de ideas y estilos. Detrás de esta acusación hay un relato “la IA roba”, que resuena por su carga emocional, pero que al analizarlo se tambalea.

Robar implica quitar algo, dejar a su titular sin ello y explotar la copia como sustituto. El entrenamiento de IA no cumple ninguno de esos criterios. No guarda obras, no las conserva para usarlas, no quita a nadie su original. Lo que hace es analizar grandes volúmenes de datos para aprender patrones estadísticos. El modelo resultante no es un cofre lleno de cuadros y textos, sino un saber hacer comprimido, una red de relaciones abstractas que luego se despliegan en nuevas combinaciones.

Es importante entender cómo funciona este entrenamiento. Una IA se expone a cantidades masivas de ejemplos, textos, imágenes o sonidos y en cada paso intenta predecir la continuación correcta, la siguiente palabra, el siguiente píxel, la siguiente nota. Si acierta, refuerza sus conexiones; si falla, las ajusta. Millones de repeticiones hacen que el modelo no recuerde obras específicas, sino que internalice regularidades que definan cuáles son los patrones más probables. Es un aprendizaje análogo al de un estudiante que lee libros en una biblioteca. No memoriza página por página, sino que absorbe estilos, gramáticas y lógicas de construcción. ¿La IA puede memorizar un fragmento de obra? Sí, pero son anomalías que se corrigen con filtros, ajustes de datasets y técnicas de regularización.

Cuando se habla de “entrenar una IA” en términos generales, nos referimos a exponer un modelo, una red de parámetros matemáticos conectados entre sí, a grandes cantidades de ejemplos. Cada vez que el modelo intenta predecir la siguiente palabra, el siguiente píxel o el siguiente número, compara su respuesta con la correcta y mide el error. Ese error se retroalimenta en forma de pequeños ajustes en los parámetros internos, siguiendo un procedimiento llamado backpropagation o retropropagación, que a su vez se apoya en algoritmos de optimización como el gradient descent. Repetido millones de veces, este proceso hace que el modelo vaya minimizando el error global y se vuelva capaz de capturar regularidades.

En un sentido más concreto, cuando alguien dice que “ha entrenado una IA” para una aplicación específica, por ejemplo, reconocer defectos en piezas de una fábrica o clasificar imágenes médicas, suele referirse a un proceso de fine-tuning o ajuste fino sobre un modelo previamente entrenado con datos generales. Ese ajuste consiste en mostrarle al modelo ejemplos específicos y relevantes para la tarea deseada, de modo que sus parámetros se reorienten hacia un dominio particular. El entrenamiento inicial dota a la IA de un conocimiento amplio de patrones universales, lenguaje, visión, sonido, mientras que el fine-tuning refina esa capacidad en un terreno acotado. Técnicamente, esto puede implicar recalibrar todas las capas de la red o solo las últimas, dependiendo de la estrategia. Así, “entrenar” no significa que la máquina aprenda como un ser humano, sino que ajusta millones o miles de millones de datos matemáticos hasta que sus predicciones se alinean con el comportamiento esperado.

Los artistas se inquietan porque la IA puede imitar estilos. Pero un estilo no es una obra concreta, es un campo abierto de soluciones formales, como el uso de la técnica del claroscuro en la pintura barroca o la estética minimalista en la composición musical. Aprender de estilos siempre ha sido parte del proceso creativo humano, ningún pintor que estudia a Caravaggio, ninguna banda que se inspira en The Velvet Underground está robando en sentido estricto. La IA hace algo semejante, aunque de modo estadístico. Lo único protegido, tanto legal como conceptualmente, es la expresión singular. Si una salida reproduce sustancialmente una obra existente, estamos ante un fallo puntual, no ante la definición de toda la tecnología en la que se sustenta la IA.

Más complejo es observar el discurso que se extiende en tertulias, conferencias y entrevistas donde algunos, con escasa formación técnica, levantan la bandera del robo como si de un dogma se tratara. Lo repiten sin matices, como consigna, condicionando a un colectivo entero a través de un relato fácil de digerir, pero vacío en su profundidad. Se da con especial fuerza en ámbitos como la ilustración, el cómic y otras disciplinas artísticas, donde, salvo honrosas excepciones, la denuncia contra la IA parece más un gesto de notoriedad que una reflexión fundamentada. Se proclama la defensa de una supuesta libertad cuando en realidad lo que se alimenta es una desconfianza hacia el progreso, una actitud que más que proteger termina por entorpecer. La tradición artística siempre ha tenido un pulso crítico con lo nuevo y esa tensión es necesaria, pero solo cuando se argumenta con rigor. Convertir la disidencia en norma, sin razonamiento sólido, conduce a un tedio estéril que desgasta la conversación y empobrece el debate.

Graffiti de Elías Taño. Foto: Toni Calderón.

Otro pilar del miedo es que la IA democratiza el acceso a la producción estética. Si cualquiera puede generar imágenes, música o textos con facilidad, la exclusividad del oficio está amenazada. Pero democratizar no es robar, es ampliar la base de participación. La historia del arte está llena de ejemplos, la fotografía compitió con la pintura académica o el sampler con la música tradicional. Cada irrupción abarata ciertas prácticas, pero al mismo tiempo empuja a los creadores a revalorizar lo que la máquina no puede hacer: la voz personal, la experiencia vivida, el contexto social, la performance o la puesta en escena.

¿Por qué los científicos abrazan la IA como herramienta mientras muchos artistas la rechazan como amenaza? Porque parten de categorías distintas. En ciencia, los datos son información para decidir, no obras de autor. El valor está en la eficacia. En arte, la obra es identidad y sustento. Llevarla al entrenamiento de una máquina se siente como una expropiación. Ambos relatos son comprensibles, pero ninguno agota la realidad. La IA, en sí misma, no roba ni emancipa, es un instrumento. Su ética depende de cómo gestionamos los datos, las licencias y los beneficios.

El miedo se alimenta de malentendidos: “mi obra está en el dataset, la han usado sin permiso”, “imita mi estilo”, “devalúa mi trabajo”, “aprender de obras sin pagar está mal”. Sin embargo, tras el velo de estos malentendidos legítimos, subyace una crítica estructural más profunda y válida: la economía política de los datasets. El problema no es que la IA «robe», sino que un reducido grupo de entidades privadas haya cercado digitalmente el commons cognitivo global, un vasto territorio que abarca desde ecuaciones matemáticas y artículos científicos hasta novelas, sinfonías y obras pictóricas, para convertirlo en materia prima gratuita con la que alimentar modelos de negocio cerrados y altamente lucrativos. Es la explotación capitalista de la inteligencia colectiva, en su sentido más amplio, llevada a una escala industrial y algorítmica.

El debate nunca debe ser sobre la herramienta, sino sobre el régimen que la gobierna.

La solución, por tanto, no puede caer en el error de replicar viejas jerarquías y pretender compensar solo a algunos gremios (artistas) y no a otros (científicos, matemáticos), pues todos han contribuido por igual a este acervo común. El verdadero reclamo debe ser más radical: transparencia, código abierto y beneficio común. Exigir mecanismos de auditoría sobre los datos de entrenamiento, la liberación de los modelos de base como infraestructura pública, como se hace con los protocolos de internet y la creación de fondos de renta básica o inversión en investigación pública financiados con impuestos a los beneficios extraordinarios de estas corporaciones. El debate no es sobre si los ilustradores o los físicos merecen un royalty, sino sobre cómo evitamos que un oligopolio se apropie de la herencia intelectual de toda la humanidad para beneficio privado. La pregunta es política: ¿queremos que la inteligencia artificial sea un bien común que amplifique nuestra capacidad colectiva o el instrumento definitivo de concentración de capital cognitivo?

Frente a cada objeción, la IA responde no con expropiación, sino con aprendizaje. Lo que sí exige es responsabilidad cultural, reconocer que sin creadores no habría material que aprender y, por tanto, diseñar formas justas de integración, transparencia y compensación. Para convivir con la IA, es necesario usar datasets responsables, documentar procesos, evitar la sustitución oportunista de estilos, posicionar la IA como asistente y crear mecanismos de valor que reconozcan a todas las partes. También conviene promover la calidad sobre la cantidad para no saturar el ecosistema cultural. La frase “la IA roba” es más un reflejo de angustia que una descripción técnica.

El debate nunca debe ser sobre la herramienta, sino sobre el régimen que la gobierna. Frente a la distopía de una inteligencia privatizada que cercena el commons cultural, la respuesta no es la prohibición sino la apropiación colectiva. El verdadero acto de creación, en este siglo, ya no consiste en generar una nueva obra, sino en fundar las estructuras que garanticen que la inteligencia artificial sirva a la equidad y al desarrollo común y no a la concentración oligárquica del poder y la renta.